[YOLO Learning] YOLOv2 详解-4.YOLOV2 培训

 YOLOv2 训练分为三个阶段：

 第一阶段：第一阶段就是先在 ImageNet 分类数据集上预训练 Darknet-19，此时模型输入为 224×224，共训练 160 个 epochs。

 第二阶段：将网络的输入调整为 448x448，继续在 ImageNet 数据集上 finetune 分类模型，训练 10 个 epochs，此时分类模型的 top-1 准确度为 76.5%，而 top-5 准确度为 93.3%。

 第三阶段：修改 Darknet-19 分类模型为检测模型，并在检测数据集上继续 finetune 网络。网络修改包括：移除最后一个卷积层、global avgpooling 层以及 softmax 层，并且新增了三个 3×3×1024 卷积层，同时增加了一个 passthrough 层，最后使用 1×1 卷积层输出预测结果，输出的 channels 数为：num_anchors × (5 + num_classes)，和训练采用的数据集有关系。

 由于 anchors 数为 5，对于 VOC 数据集输出的 channels 数就是 125，而对于 COCO 数据集则为 425。这里以 VOC 数据集为例，最终的预测矩阵为 T（shape为（batch_size, 13, 13, 125）），可以 reshape 到（batch_size, 13, 13, 5, 25），其中 T[:, :, :, :,0:4] 为预测框的位置和大小，T[:, :, :, :,5] 为预测框的置信度，T[:, :, :, :,5:] 为类别预测值。